基于机器学习的光声血液循环图谱分析：对比特征、图像和信号基方法的基准测试
机器学习
2026-03-03 v2 信号处理
摘要
光声血液循环图谱 (PPG) 是一种广泛使用的无创生理感测技术，适用于各种临床应用。此类临床应用正日益受到机器学习方法的支持，这引出了一个问题：最合适的输入表示和模型选择是什么。我们通过全面的基准测试研究，涵盖三种输入表示类型：可解释特征、图像表示和原始波形，针对血压和房颤预测等原型回归和分类用例进行比较。在两种情况下，都通过在原始时间序列上运行深度神经网络（DCNN）获得最佳结果。在此模型类别中，最佳结果由现代卷积神经网络（CNN）实现，但根据任务设置，浅层 CNN 也常常非常具竞争力。我们设想这些结果将对研究人员具有启发性，以指导其在 PPG 数据上进行机器学习任务的选择，即使不限于本文所述的用例。
引用
@article{arxiv.2502.19949,
title = {Machine-learning for photoplethysmography analysis: Benchmarking feature, image, and signal-based approaches},
author = {Mohammad Moulaeifard and Loic Coquelin and Mantas Rinkevičius and Andrius Sološenko and Oskar Pfeffer and Ciaran Bench and Nando Hegemann and Sara Vardanega and Manasi Nandi and Jordi Alastruey and Christian Heiss and Vaidotas Marozas and Andrew Thompson and Philip J. Aston and Peter H. Charlton and Nils Strodthoff},
journal= {arXiv preprint arXiv:2502.19949},
year = {2026}
}
备注
39 pages, 9 figures, code available at https://gitlab.com/qumphy/d1-code